为了准确识别激光焊接的稳态类型, 采用了图像处理、相关分析和神经网络的方法, 增加对准稳态的研究, 以信号特征的相关系数作为神经网络模型的输入, 进行了理论分析和实验验证, 得出了光学、视觉信号的相关性对激光焊接稳态类型的影响规律。结果表明, 匙孔面积和金属蒸汽面积的相关性区分稳态类型的效果最好, 其相关系数为0.2~0.3时为稳态, 0.4~0.5时为准稳态, 0.6~0.7时为非稳态; 训练完成的神经网络模型在测试集上达到了98.76%的预测准确率, 可满足准确识别焊缝稳态类型的需求。该研究为自动化生产中预防出现激光焊接缺陷提供了参考。

为了研究多层单道电弧增材表面3-D成形特征, 采用激光视觉传感系统采集电弧增材制造表面条纹图像。提出基于边界约束条件的感兴趣区域(ROI)提取法对焊缝特征曲线进行定位, 获取ROI的激光条纹像素坐标。进行了理论分析和实验验证, 得到电弧增材表面的3-D离散点数据, 采用Delaunay三角剖分对离散点拟合形成3-D实体表面。结果表明, 锯齿靶标的线性标定方法, 3-D重构精度在0.2mm以内;基于边界约束条件的ROI提取方法能准确定位电弧增材上表面和侧表面的条纹特征曲线。这一结果对电弧增材表面的3-D成形检测是有帮助的。

针对多层单道电弧增材制造侧表面成形检测问题,通过激光视觉传感三维重构系统获取不同焊接条件下焊缝侧表面轮廓深度点云信息,利用RANSAC(Random Sample Consensus)和KNN(K-Nearest Neighbors)点云处理算法提取堆积层侧表面的三维点云。分析多层单道焊缝堆积的层间分布情况,量化堆积层侧表面粗糙度,进而探索堆积过程中焊丝末端与板材间距对堆积层三维成形的影响。研究结果表明,激光视觉传感系统能够准确判断电弧增材侧表面成形情况,三维点云算法可用于电弧增材侧表面的三维重构和特征提取,能够直观地描述和量化堆积层的三维成形特征,为电弧增材制造表面成形检测和量化分析提供了一种新方法。

为了实现焊接缺陷的自动检测, 研究一种交变磁场激励下焊缝表面及亚表面缺陷的磁光成像动态无损检测方法。分析了基于法拉第磁致旋光效应的焊接缺陷磁光成像机理, 并结合交变磁场原理推导出励磁变化与动态磁光成像的关系。探索低碳钢板的亚表面焊缝磁光成像特征试验, 验证了所提方法可用于检测焊缝亚表面的未熔合缺陷。最后对高强钢焊缝特征的动态磁光图像进行分析, 采用主成分分析法和支持向量机(PCA-SVM)模式识别方法建立了焊接缺陷分类模型。试验结果表明, 所提方法可以识别高强钢焊件中的焊缝特征(未熔透、裂纹、凹坑和无缺陷), 缺陷分类模型的整体识别率达到92.6%, 能够实现焊缝表面及亚表面缺陷的自动检测。

由于多传感匙孔特征参数可以有效地反映大功率激光焊接质量状态，本文研究了匙孔特征信息的提取方法并建立了焊缝成形预测模型。以大功率盘形激光焊接304不锈钢为试验对象，应用近红外高速摄像机和X射线视觉成像系统同时提取了焊接过程中的熔池动态图像，并分割出匙孔区域。针对近红外图像，应用矩方法导出匙孔的不变矩特征，同时定义并提取匙孔面积和最前端点纵坐标两个特征; 针对X射线图像则提取匙孔深度和熵两个特征。在不同激光功率条件下得到匙孔特征并进行特征融合分析，然后建立了3个BP神经网络焊缝成形预测模型。探索了匙孔形态、焊接条件和焊接状态三者之间的联系，实现了对焊接过程的在线监测。试验结果表明，将两个传感器获取的匙孔特征信息融合并进行主成分分析变换后，熔宽和熔深的预测绝对误差平均值分别为0.18 mm和0.57 mm，比基于单个传感器获取匙孔特征建立的BP神经网络分别减小了0.03 mm和0.31 mm，显示提出的方法能够有效在线监测大功率盘形激光焊接状态。